第5章第1节时间序列概述（课件）-《统计基础知识》同步教学（高教版.第四版）

第一节时间序

列概述

•时间序列的定义与特点

•时间序列的分类

CATALOGUE•时间序列分析的目的与意义

•时间序列的常见应用领域

目录•时间序列分析的基本方法与步骤

01

CATALOGUE

时间序列的定义与特点

定义

时间序列是指按照时间顺序排列的一

系列观测值。这些观测值可以是离散

的或连续的，代表了某一特定指标在

不同时间点的取值。

时间序列数据广泛应用于各个领域，

如金融、经济、气象、生物医学等，

用于分析趋势、预测未来以及揭示隐

藏的模式和规律。

特点

时序性

时间序列数据具有时序性，即数据按照时

间顺序排列，每个数据点都有对应的时间

标签。

随机性动态性

时间序列数据受到多种因素的影响，其中时间序列数据是动态变化的，随着时间的

一些因素是随机的，因此时间序列数据也推移，数据点会发生变化。

具有一定的随机性。

趋势性相关性

时间序列数据通常具有一定的趋势，如递时间序列数据之间存在相关性，即一个时

增、递减或周期性变化等。间点的数据点可能与前一个或后一个时间

点的数据点有关联。

02

CATALOGUE

时间序列的分类

平稳时间序列与非平稳时间序列

平稳时间序列

统计特性（如均值、方差和自相

关函数）不随时间变化的时间序

列。

非平稳时间序列

统计特性随时间变化的时间序列。

季节性时间序列与非季节性时间序列

季节性时间序列

具有周期性变化特征的时间序列，如月度或季度数据。

非季节性时间序列

不具备周期性变化特征的时间序列。

趋势性时间序列与非趋势性时间序列

趋势性时间序列

具有长期增长或下降趋势的时间序列。

非趋势性时间序列

没有长期增长或下降趋势的时间序列。

03

CATALOGUE

时间序列分析的目的与意义

描述时间序列的特征

平稳性周期性

判断时间序列是否稳定，即其统计特性是否分析时间序列中是否存在周期性变化规律，

随时间变化而变化。如季节性、年度周期等。

趋势性相关性

识别时间序列的趋势，如上升、下降或平稳研究时间序列各观测值之间的相关性，判断

趋势。是否存在自相关或偏相关。

预测未来时间序列的变化趋势

建立预测模型

根据历史数据建立合适的预测模型，如线性回归、

ARIMA等。

参数估计

利用历史数据估计模型的参数，提高预测精度。

预测未来值

根据模型和参数预测未来时间序列的可能变化趋势。

揭示时间序列的内在规律

探索因果关系

通过时间序列分析，探索各因素之间的因果关系。

揭示动态机制

了解时间序列中各变量之间的动态相互作用机制。

验证理论假设

利用时间序列数据验证相关理论或假设的有效性。

04

CATALOGUE

时间序列的常见应用领域

金融领域

股票价格分析

通过分析股票价格的时间序列数据，可以预测股

1票价格的走势，为投资决策提供依据。

金融市场趋势分析

时间序列分析可以帮助投资者了解市场趋势，把

2握市场动态，从而做出合理的投资决策。

风险管理

时间序列分析可以用于评估金融风险，如信用风

险、市场风险和操作风险等，帮助金融机构更好

3地管理风险。

经济领域

经济增长分析

通过对GDP等经济指标的时间序列分析，可以了解一个国家或地

区的经济增长情况。

消费水平分析

通过分析居民消费水平的时间序列数据，可以了解居民的消费习惯

和趋势，为政策制定提供依据。

就业形势分析

时间序列分析可以用于分析就业率、失业率等就业指标，为政府制

定就业政策提供支持。

气象领域

气候变化研究天气预报灾害预警

通过对长时间的气候数据时间序通过分析气象数据的时间序列，时间序列分析可以帮助气象部门

列分析，可以研究气候变化的趋可以预测未来的天气走势，为人及时发现异常气象情况，为灾害

势和规律。们的生活和工作提供指导。预警提供支持。

交通领域

城市交通流量分析

01通过对城市交通流量数据的时间序列分析，可以了解城市交通

状况和拥堵情况。

公共交通客流分析

02时间序列分析可以帮助公共交通部门了解客流情况，优化线路

规划和车辆调度。

交通安全分析

03通过对交通事故数据的时间序列分析，可以了解交通事故的发

生规律和原因，为交通安全管理和预防提供支持。

05

CATALOGUE

时间序列分析的基本方法与步骤

数据收集与整理

数据来源

确定数据来源，包括公开数据、内部数据、第三方数据等，确保

数据的可靠性和准确性。

数据清洗

对数据进行清洗，去除异常值、缺失值和重复值，确保数据的质

量。

数据转换

将数据转换为适合分析的格式，如时间序列数据、数值型数据等。

数据预处理

平稳化处理

对非平稳数据进行差分、对数转换等处理，使其满足时间序列分

析的要求。

季节性处理

对具有季节性特征的数据进行季节性调整，消除季节性因素的影响。

异常值处理

对异常值进行识别和处理，如用平均值、中位数等替代异常值。

特征提取

统计特征

提取时间序列的统计特

征，如自相关系数、偏

度、峰度等。

时序特征

提取时间序列的时序特

征，如均值、方差、趋频域特征

势等。

对时间序列进行傅里叶

变换，提取频域特征。

模型选择与训练

模型选择

根据数据特点和业务需求，选择合适的模型，如